技术领域
[0001] 本申请涉及天气监测技术领域，尤其是涉及一种强对流天气相似度分析方法。
相关背景技术
[0002] 强对流天气，作为自然界中一种极具破坏力的天气现象，以其突发性、强度大、影响范围广而著称。这类天气，如雷雨大风、冰雹、短时强降雨乃至龙卷风等，往往在短时间内给环境和人类社会带来巨大冲击。在强对流天气的监测与分析中，雷达技术发挥了至关重要的作用。雷达通过发射电磁波并接收其从天气目标反射回来的信号，能够实时获取天气系统的动态信息。其中，回波强度和波形是两个尤为关键的特征参数。
[0003] 现有技术在强对流相似度分析中存在若干缺陷，主要体现在对回波特征的定量评估不足和波形分析方法的局限性。传统方法通常仅依赖简单的强度指标，未能深度挖掘回波的时序变化，因此对于复杂天气模式的整体理解和预警能力受限。此外，现有波形分析多采用线性模型，缺乏对非线性特征的捕捉，导致在实际应用中容易出现强对流天气误判和漏判的情况。
具体实施方式
[0045] 下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。
[0046] 在本申请的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0047] 在本申请的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
[0048] 本申请的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本申请中的具体含义。
[0049] 强对流天气，作为自然界中一种极具破坏力的天气现象，以其突发性、强度大、影响范围广而著称。这类天气，如雷雨大风、冰雹、短时强降雨乃至龙卷风等，往往在短时间内给环境和人类社会带来巨大冲击。在强对流天气的监测与分析中，雷达技术发挥了至关重要的作用。雷达通过发射电磁波并接收其从天气目标反射回来的信号，能够实时获取天气系统的动态信息。其中，回波强度和波形是两个尤为关键的特征参数。
[0050] 现有技术在强对流相似度分析中存在若干缺陷，主要体现在对回波特征的定量评估不足和波形分析方法的局限性。传统方法通常仅依赖简单的强度指标，未能深度挖掘回波的时序变化，因此对于复杂天气模式的整体理解和预警能力受限。此外，现有波形分析多采用线性模型，缺乏对非线性特征的捕捉，导致在实际应用中容易出现强对流天气误判和漏判的情况。
[0051] 为解决上述存在由于线性模型缺乏对非线性特征的捕捉，从而导致在实际应用中容易出现强对流天气误判和漏判的问题，本申请提出了一种强对流天气相似度分析方法。
[0052] 参照图1，本申请实施例提供了一种强对流天气相似度分析方法，该方法包括如下步骤：
[0053] 步骤S100、获取当前大气回波数据中的当前回波强度数据和当前波形数据，以及，获取每种强对流天气的历史回波强度数据；
[0054] 步骤S200、对当前回波强度数据和当前波形数据进行预处理，得到预处理后的回波强度数据和预处理后的波形数据；
[0055] 步骤S300、根据预处理后的回波强度数据和每种强对流天气的历史回波强度数据，计算得到每种强对流天气对应的海明距离和余弦相似度；
[0056] 步骤S400、根据预处理后的波形数据，确定每种强对流天气对应的波形相似度；
[0057] 步骤S500、基于海明距离、余弦相似度和波形相似度，确定目标强对流天气相似度。
[0058] 在本实施例中，通过根据预处理后的回波强度数据和每种强对流天气的历史回波强度数据，计算得到每种强对流天气对应的海明距离和余弦相似度，采用海明距离和余弦相似度相结合的方法来评估回波强度的相似性，能够更全面地反映回波强度的变化特征。然后根据预处理后的波形数据，确定每种强对流天气对应的波形相似度，基于海明距离、余弦相似度和波形相似度，确定目标强对流天气相似度。如此，通过综合考虑基于回波强度数据计算得到的海明距离和余弦相似度，以及考虑基于波形数据计算得到的波形相似度，一起确定目标强对流天气相似度，能够提高确定的目标强对流天气相似度的准确度，从而根据准确的目标强对流天气相似度判断当前回波强度数据和当前波形数据对应的是哪一种强对流天气，能够提高判断强对流天气的准确度，从而降低强对流天气误判和漏判的情况。
[0059] 上述获取当前大气回波数据中的当前回波强度数据和当前波形数据，以及，获取每种强对流天气的历史回波强度数据，可以是通过雷达获取当前大气回波数据中的当前回波强度数据和当前波形数据，以及，获取每种强对流天气的历史回波强度数据。
[0060] 上述对当前回波强度数据和当前波形数据进行预处理，可以是采用去噪、归一化等方式对当前回波强度数据和当前波形数据进行预处理。
[0061] 上述根据预处理后的波形数据，确定每种强对流天气对应的波形相似度，可以是对预处理后的波形数据和每种强对流天气的历史波形数据进行向量化，然后根据向量化后的波形数据和每种强对流天气的历史波形数据，采用余弦相似度计算每种强对流天气对应的波形相似度。还可以采用神经网络模型对预处理后的波形数据进行预测，确定每种强对流天气对应的波形相似度。该神经网络模型可以是本领域技术人员知道的现有技术中的神经网络模型，例如，BP神经网络模型。
[0062] 在一些实施方式中，根据预处理后的回波强度数据和每种强对流天气的历史回波强度数据，计算得到每种强对流天气对应的海明距离和余弦相似度，包括：
[0063] 将预处理后的回波强度数据表示为第一回波强度二进制序列，以及，将每种强对流天气的历史回波强度数据表示为第二回波强度二进制序列；
[0064] 根据第一回波强度二进制序列和第二回波强度二进制序列，计算得到每种强对流天气对应的海明距离。
[0065] 在本实施例中，海明距离用于衡量两个二进制串之间不同位的数量，能够直观反映回波强度数据间的差异。海明距离能够从离散的角度度量两组回波数据的差异，关注于回波数据的存在与否，适合处理离散型特征。
[0066] 在一些实施方式中，通过如下方式根据第一回波强度二进制序列和第二回波强度二进制序列，计算得到每种强对流天气对应的海明距离：
[0067]
[0068] 其中，A表示第一回波强度二进制序列，B表示第二回波强度二进制序列，ai表示第一回波强度二进制序列中的第i个元素，bi表示第二回波强度二进制序列中的第i个元素，n表示回波强度二进制序列中总元素数。
[0069] 在一些实施方式中，根据预处理后的回波强度数据和每种强对流天气的历史回波强度数据，计算得到每种强对流天气对应的海明距离和余弦相似度，包括：
[0070] 将预处理后的回波强度数据表示为第一回波强度向量，以及，将每种强对流天气的历史回波强度数据表示为第二回波强度向量；
[0071] 根据第一回波强度向量和第二回波强度向量，计算得到每种强对流天气对应的余弦相似度。
[0072] 在本实施例中，余弦相似度通过计算两个向量之间的夹角余弦值来评估它们的相似程度，对数据的量级不敏感，更加关注方向上的差异，考虑了数据的方向性与整体趋势。
[0073] 在一些实施方式中，通过如下方式根据第一回波强度向量和第二回波强度向量，计算得到每种强对流天气对应的余弦相似度：
[0074]
[0075] 其中，X表示第一回波强度向量，Y表示第二回波强度向量，xi表示第一回波强度向量中的第i个分量，yi表示第二回波强度向量中的第i个分量，k表示回波强度向量中总分量数。
[0076] 在一些实施方式中，根据预处理后的波形数据，确定每种强对流天气对应的波形相似度，包括：
[0077] 将预处理后的波形数据输入训练好的BP神经网络模型，得到训练好的BP神经网络模型输出的每种强对流天气对应的波形相似度；其中，训练好的BP神经网络模型采用不同单体强对流天气的波形数据训练得到。
[0078] 在本实施例中，BP神经网络模型作为一种强大的模式识别工具，能够从复杂的波形数据中提取深层次的特征，并通过其非线性映射能力对波形特征进行深入分析。通过BP神经网络训练，可以是训练好的BP神经网络模型精准地识别出不同天气条件下的波形特征，从而提升波形相似度计算的准确性。
[0079] 在一些实施方式中，基于海明距离、余弦相似度和波形相似度，确定目标强对流天气相似度，包括：
[0080] 获取每种强对流天气对应的海明距离、余弦相似度和波形相似度；
[0081] 基于每种强对流天气对应的波形相似度、海明距离和余弦相似度，计算得到每种强对流天气对应的强对流天气相似度；
[0082] 对每种强对流天气对应的强对流天气相似度进行排序，选取强对流天气相似度最大值作为目标强对流天气相似度。
[0083] 在本实施例中，通过综合考虑基于回波强度数据计算得到的海明距离和余弦相似度，以及考虑基于波形数据计算得到的波形相似度，一起确定目标强对流天气相似度，能够提高确定的目标强对流天气相似度的准确度。根据准确的目标强对流天气相似度判断当前回波强度数据和当前波形数据对应的是哪一种强对流天气，能够提高判断强对流天气的准确度，从而降低强对流天气误判和漏判的情况。
[0084] 在一些实施方式中，通过如下方式基于每种强对流天气对应的波形相似度、海明距离和余弦相似度，计算得到每种强对流天气对应的强对流天气相似度：
[0085] S＝αSH+βSC+γSBP
[0086] 其中，S表示强对流天气相似度，α、β和γ表示权重系数，SH表示海明距离，SC表示余弦相似度，SBP表示波形相似度。
[0087] 在一些实施方式中，对当前回波强度数据和当前波形数据进行预处理，得到预处理后的回波强度数据和预处理后的波形数据，包括：
[0088] 对当前回波强度数据和当前波形数据进行去噪，得到去噪后的回波强度数据和去噪后的波形数据；
[0089] 对去噪后的回波强度数据和去噪后的波形数据进行归一化，得到归一化后的回波强度数据和归一化后的波形数据；
[0090] 对归一化后的回波强度数据和归一化后的波形数据进行特征提取，得到预处理后的回波强度数据和预处理后的波形数据。
[0091] 在本实施例中，通过对当前回波强度数据和当前波形数据进行预处理，能够为后期进行海明距离和余弦相似度计算、波形相似度计算以及确定目标强对流天气相似度，奠定了良好的数据基础，确保回波强度数据和波形数据的准确性。
[0092] 在一些实施方式中，通过如下方式对去噪后的回波强度数据和去噪后的波形数据进行归一化：
[0093]
[0094] 其中，x1’表示归一化后的回波强度数据，x1表示去噪后的回波强度数据，x1min表示去噪后的回波强度数据中的最小值，x1max表示去噪后的回波强度数据中的最大值，x2’表示归一化后的波形数据，x2表示去噪后的波形数据，x2min表示去噪后的波形数据中的最小值，x2max表示去噪后的波形数据中的最大值。
[0095] 为方便本领域人员理解，以下提供一组最佳实施例：
[0096] 本实施例通过结合海明距离和余弦相似度有效评估回波强度的变化，同时采用BP神经网络模型深入分析波形特征，利用其强大的非线性映射和模式识别能力，从而实现对强对流天气的更精确解析。BP神经网络模型通过自学习和优化过程，能够自动提取波形中的关键特征，并建立起回波波形与强对流天气类型之间的映射关系，从而提高天气预报的精度和效率。
[0097] 综上所述，参照图2，本实施例的目的在于克服现有技术的不足，通过引入新的分析方法和算法，实现对强对流天气更为精准、全面的监测和分析，进而增强对强对流天气影响的应对能力。
[0098] 1.数据预处理。
[0099] (1)数据获取与提取。
[0100] 通过雷达获取大气中的回波数据，主要包括回波强度数据和波形信息(即波形数据)。回波强度反映了目标物体的反射能力，而波形则提供了更详细的目标物体特征。回波强度的原始数据为雷达回波图，参照图3。
[0101] (2)数据去噪。
[0102] 利用滤波技术(例如，高斯滤波)对原始数据(即通过雷达获取的回波强度数据和波形数据)进行去噪处理，去除由于环境因素或设备误差产生的噪声，以确保数据点准确性。高斯滤波是利用高斯函数对数据进行加权平均，使数据变得更加平滑。
[0103] (3)数据归一化。
[0104] 对去噪后的回波强度数据和波形数据进行归一化处理，将数据标准化到同一尺度范围，通常为0,1，以便于后续的相似度计算和模型训练。归一化公式为：
[0105]
[0106] 其中，x1’表示归一化后的回波强度数据，x1表示去噪后的回波强度数据，x1min表示去噪后的回波强度数据中的最小值，x1max表示去噪后的回波强度数据中的最大值，x2’表示归一化后的波形数据，x2表示去噪后的波形数据，x2min表示去噪后的波形数据中的最小值，x2max表示去噪后的波形数据中的最大值。
[0107] (4)特征提取。
[0108] 从归一化后的数据中提取特征值，包括从回波强度数据中提取的峰值、均值和方差等统计特征，以及从波形数据中提取的频率成分等特征，通过傅里叶变换将波形从时域转换到频域，以获取频率成分。
[0109] 2.回波强度相似度计算。
[0110] 回波强度相似度计算采用结合海明距离和余弦相似度的方法，以确保对不同强对流天气回波强度的精确比较。
[0111] (1)海明距离计算。
[0112] 将当前获取的回波强度数据表示为二进制序列(即第一回波强度二进制序列)a1,a2,...,an，将历史回波强度数据表示为二进制序列(即第二回波强度二进制序列)b1,b2,...,bn。海明距离用于衡量两个二进制序列之间的差异程度。
[0113]
[0114] 其中，A表示第一回波强度二进制序列，B表示第二回波强度二进制序列，ai表示第一回波强度二进制序列中的第i个元素，bi表示第二回波强度二进制序列中的第i个元素，n表示回波强度二进制序列中总元素数，d(A,B)为得到的海明距离，当d(A,B)值越接近0表示相似性越好。
[0115] (2)余弦相似度计算。
[0116] 将当前获取的回波强度数据和历史回波强度数据表示为向量X(即第一回波强度向量)和向量Y(即第二回波强度向量)，余弦相似度用于衡量两个向量之间的相似性。
[0117]
[0118] 其中，xj和yi分别表示向量X和向量Y的第i个分量，cos(x,y)表示变量x与y的夹角余弦，若变量之间的相关程度密切，则夹角接近0，其余弦接近1；反之接近0。
[0119] 3.波形相似度分析。
[0120] 波形相似度分析采用BP神经网络模型，通过训练模型来识别波形的相似性。
[0121] (1)BP神经网络模型的构建。
[0122] 1)网络结构。
[0123] BP神经网络(Back propagation Neural Network)的构建是指搭建一个多层感知器模型，并通过反向传播算法对其进行训练，以解决非线性映射问题。该过程包括定义网络的层数、节点数、激活函数、权重初始化、误差计算以及训练方式。
[0124] 输入层：节点数为n，表示输入波形数据的维度。
[0125] 隐藏层：一个或多个隐藏层，每层的节点数可以根据实际需求设定，一般为m。
[0126] 输出层：节点数为1，表示波形相似度。
[0127] 2)激活函数。
[0128] 激活函数用于隐藏层与输出层之间的非线性变换。常用的激活函数有Sigmoid函数和ReLU函数，其中Sigmoid函数适用于输出值在(0，1)之间的场景，而ReLU函数则适合处理高维数据。通过引入激活函数，BP神经网络能够捕捉强对流天气数据中的非线性模式，尤其是回波强度随时间和空间变化的复杂关系。
[0129] (2)BP神经网络训练。
[0130] 1)正向传播。
[0131] 正向传播是模型根据输入数据计算输出的过程。每层节点的输出通过权重和偏置相加，再通过激活函数处理，逐层传递至输出层。计算每个节点的输出，公式为：
[0132]
[0133] 其中，oj为第j个隐藏层节点的输出，wij为输入层到隐藏层的权重，xi为输入，bj为偏置，f为激活函数。
[0134] 2)误差计算。
[0135] 输出层的误差是指模型输出与实际目标之间的差异，常使用均方误差(MSE)计算。计算输出层的误差，公式为：
[0136]
[0137] 其中，E为误差函数，yk为期望输出，ok为实际输出。
[0138] 3)误差反向传播。
[0139] 误差反向传播是根据输出误差逐层调整权重和偏置的过程。BP算法通过计算误差的梯度，反向更新每一层的参数，使得网络逐渐逼近目标输出。根据误差反向传播算法，计算权重和偏置梯度，并更新权重和偏置，公式为：
[0140]
[0141] 其中，η为学习率，表示偏置，通过计算输出与真实值之间的误差，反向更新权重和偏置。
[0142] 4.相似度综合分析。
[0143] 将回波强度相似度(海明距离和余弦相似度)与波形相似度(BP神经网络输出)结合，计算综合相识度，从而实现对强对流天气的精准识别。
[0144] S＝αSH+βSC+γSBP
[0145] 其中，SH表示海明距离相似度，表示回波强度的二进制差异；SC表示余弦相似度，表示回波强度的向量相似性；SBP表示BP神经网络输出的波形相似度；α、β和γ为权重系数，满足α+β+γ＝1。根据实际需求和历史数据，通过实验确定权重系数，使用机器学习算法对权重进行优化，以提高相似度计算的准确性和鲁棒性。
[0146] 在本实施例中，回波强度是识别强对流天气的重要指标。通过海明距离和余弦相似度的结合，可以更全面地评估回波强度的相似性。海明距离能够从离散的角度度量两组回波数据的差异，关注于回波数据的存在与否，适合处理离散型特征。而余弦相似度则从角度出发，评估回波数据的向量夹角，主要考虑数据的方向性与整体趋势。二者结合，使得回波强度分析能够既关注局部差异又关注整体相似性，形成多维度、立体化的强对流天气识别基础。
[0147] 然而，回波强度仅是强对流天气特征的一部分。为了进一步提高识别精度，加入BP神经网络对波形进行相似度分析显得尤为关键。BP神经网络作为一种强大的模式识别工具，能够从复杂的波形数据中提取深层次的特征，并通过其非线性映射能力对波形特征进行深入分析。通过训练，BP神经网络可以精准地识别出不同天气条件下的波形特征，从而提升波形相似度计算的准确性。
[0148] 这种将回波强度相似度与波形相似度相结合的综合相似度计算方法，体现了强对流天气分析中的多层次数据融合。通过将不同层次的信息进行有效整合，综合相似度计算不仅提高了对单一数据源的依赖，还通过多源信息的交叉验证和互补增强了分析的准确性和可靠性。尤其是在强对流天气这种复杂的气象现象中，传统的单一相似度计算方法往往不足以应对其高度复杂性和非线性变化，而这一综合相似度方法则能够从多个角度全面解析天气演变过程，极大提升了对强对流天气的精准识别能力。
[0149] 将传统的海明距离和余弦相似度与BP神经网络相结合，打破了单一相似度计算的局限性，构建了一种集统计、几何和深度学习为一体的全新识别框架。这种方法在强对流天气的精确分析中不仅具有独特性，还为未来在其他复杂气象系统的应用提供了可扩展的创新方向。通过将BP神经网络与海明距离、余弦相似度结合使用，不仅能够初步评估回波强度变化，还能够通过深度学习进一步捕捉波形特征的复杂非线性关系。这种多层次、多维度的相似度分析方法为强对流天气的精准预测和评估提供了创新性解决方案，有效提升了强对流天气相似度分析的科学性和实用性。
[0150] 本实施例与现有技术相比，具有以下有益效果：
[0151] 1)综合评估回波强度。
[0152] 本申请实施例采用海明距离和余弦相似度相结合的方法来评估回波强度的相似性。海明距离用于衡量两个二进制串之间不同位的数量，能够直观反映回波强度数据间的差异；而余弦相似度则通过计算两个向量之间的夹角余弦值来评估它们的相似程度，对数据的量级不敏感，更加关注方向上的差异。两者的结合使用能够更全面地反映回波强度的变化特征。
[0153] 2)波形特征提取与分类。
[0154] 本申请实施例利用BP神经网络(Back Propagation Neural Network)对雷达回波的波形特征进行提取和分类。BP神经网络具有强大的非线性映射能力和模式识别能力，能够自动从波形数据中提取出关键特征，并建立起波形与强对流天气类型之间的映射关系。这种方法能够有效应对复杂多变的波形模式，提高分类的准确性和效率。
[0155] 3)相似度分析方法。
[0156] 基于上述对回波强度和波形的分析，本申请实施例提出了一种新的相似度分析方法，用于评估不同强对流天气过程之间的相似程度。该方法不仅考虑了回波强度的变化，还融合了波形特征的信息，能够更全面地反映天气系统的演变规律和特性。
[0157] 上面结合附图对本申请实施例作了详细说明，但本申请不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本申请宗旨的前提下作出各种变化。
